1 Introducción

El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de un número de factores que inciden en la interacción entre la expresión del material genético del cultivar o variedad (genotipo) y las condiciones en las cuales la planta crece (ambiente). Los ambientes difieren en la cantidad y calidad de recursos que están disponibles para las plantas (agua, nutrientes y radiación), y las plantas capturan y convierten dichos recursos en biomasa y órganos de interés comercial, según su carga genética, que a su vez es modulada por el ambiente (Yan y Kang, 2002).

Según el objetivo de mejoramiento, los genotipos pueden ser seleccionados para mejorar su adaptación a un amplio rango de condiciones ambientales o bien para condiciones más específicas. En este último caso, la adaptación sitio-específica de los genotipos se relaciona con el fenómeno denominado interacción genotipo-ambiente (GA), el cual se observa cuando la performance relativa de los fenotipos depende del ambiente en el que crecen (Malosetti et al., 2013).

La interacción GA reduce la asociación entre los valores fenotípicos y genotípicos, lo cual puede ocasionar que los genotipos seleccionados por su performance en un ambiente tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de girasol es el resultado de la elección de los materiales más aptos para cada ambiente.

1.1 Objetivos

Resumir los datos de rendimiento de los genotipos de girasol evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2021/22.
Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2021/22.
Explorar y describir los patrones de la interacción GA en la campaña 2021/22 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.

2 Metodología

2.1 Sitios experimentales

Durante la campaña 2021/22 se llevaron adelante ensayos comparativos de rendimiento de genotipos de girasol en 0 localidades del Norte de la Provincia de Santa Fe. Los sitios seleccionados para los ensayos en cada localidad corresponden a establecimientos productivos de miembros CREA de la Región Norte de Santa Fe. La distribución espacial e información de los ensayos se muestra en la Figura 2.1. A modo de referencia se incluye la ubicación de los ensayos de las campañas anteriores.

Mapa interactivo: se puede hacer zoom o mostrar/ocultar información de cada ensayo (Fecha de siembra, antecesor, densidad, fertilizacion, etc) haciendo haciendo clik sobre los puntos de la campaña 2021/22.

Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2021/22 y anteriores

En cada sitio se establecieron ensayos comparativos de rendimiento (ECR) utilizando un diseño experimental sin réplicas con controles sistemáticos (Kempton, 1997). Los materiales fueron sembrados con espaciamiento entre surco (EES) de 52 cm en franjas de 4.16 m de ancho por entre 150 y 200 m de longitud. En todos los casos se utilizó maquinaria de los productores.

2.2 Genotipos

Los tratamientos evaluados en la campania 2021/22 fueron 0 genotipos. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.

Tabla 2.1: Cultivares evaluadas y localidades en las que fueron incluidas
Semillero	Genotipo	Localidades
Semillero	Genotipo	Calchaqui	La Osca	Lanteri	Malabrigo	Soledad
	ACA 216 CLDM
	ADV 5407 CL
	ADV 5505 CL
	ARGENSOL 20 MAX
	ARGENSOL 72 CL
	MG 360
	CACIQUE 320 CL
	CACIQUE 322 CL (EXP)
	HS PIRAYU CL
	106 CL HO
	NS 1109 CL
	NS 1113 CL
	RGT CABILLIO
	RGT CATEDRALL
	RGT OBELLISCO CL
	SY 3970 CL
	SYN 3939 CL
	SYN 3969 CL

La mayoría de los genotipos estuvieron presentes en las 0 localidades. Los genotipos ARGENSOL 20 MAX y ARGENSOL 72 CL solo se evaluaron en Calchaqui y Soledad, mientras que NS 1113 CL no estuve presente solamente en Lanteri. El genotipo NS 1109 CL actuó como referencia o check, con más de una réplica por localidad.

Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.

2.3 Análisis estadístico

2.3.1 Rendimientos testigos

La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:

\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]

donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.

2.3.2 Corrección por materia grasa

Los rendimiento secos observados se corrigieron por el % de materia grasa mediante la siguiente expresión:

\[ y^* = \left( \dfrac{2(MG - 42)}{100} + 1 \right) \times y \]

donde: \(y\) y \(y^*\) son el rendimiento real y corregido por materia grasa (\(MG\))

Las determinaciones de materia grasa se realizaron por el método de resonancia magnética (NMR) utilizando un equipo SPILNOCK. Debido a inconvenientes analíticos, los valores de MG utilizados para la corrección en la localidad Calchaquí corresponden al promedio observado en el resto de las localidades.

2.3.3 Estadísticas descriptivas

Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para las variables respuesta rendimiento seco, materia grasa y rendimiento seco corregido por materia grasa, expresados en kg ha^-1 y % respectivamente.

El promedio de cada genotipo en la red se calculó utilizando la siguiente expresión:

\[ \bar{y}_i = \dfrac{\sum y_{ij}}{n_i} \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\), \(y_{ij}\) es el rendimiento del genotipo \(i\) en la localidad \(j\) y \(n_i\) es el número de localidades donde fue evaluado el genotipo \(i\). En aquellos casos donde se contó con más de una franja por localidad, los datos fueron promediados dentro de cada localidad. Así mismo el coeficiente de variación (\(CV\)) de cada genotipo en la red se calculó mediante la siguiente expresión:

\[ CV_{{y}_i} = \dfrac{s_{y_i}}{\bar{y}_i} \times 100 \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\) y \(s_{y_{i}}\) es el desvío estándar de los rendimientos del genotipo \(i\) a través de las localidades:

\[ s_{y_i} = \sqrt{\dfrac{\sum \left(y_{ij} - \bar{y}_i \right)^2}{n_i -1}} \]

2.3.4 Diferencias de rendimiento

Para comparar y determinar las diferencias de respuesta de los materiales evaluados a nivel región se ajustó a los datos un modelo lineal mixto, i.e. con efectos fijos y aleatorios sobre el rendimiento medio global de la Red. Los genotipos fueron considerados efectos fijos y las localidades efectos aleatorios:

\[ y^*_{ij} = \mu + \tau_i + l_j + e_{ij} \]

donde: \(y^*_{ij}\) representa la respuesta del genotipo \(i\) sembrado en la localidad \(j\), corregido por efecto de la posición de la parcela en caso necesario; \(\mu\) es la media general de los ensayos de la red, \(\tau_i\) es efecto o diferencia del genotipo \(i\) respecto a la media general del ensayo, \(l_j\) el efecto de la localidad \(j\), y \(e_{ij}\) el error experimental asociado al genotipo \(i\) sembrado en la localidad \(j\). Se asume que \(l_j\) como \(e_{ij}\) son independientes y tienen distribución normal con media 0 y varianza \(\sigma^2_l\) y \(\sigma^2_e\).

Este modelo asume que los niveles de Localidad son una muestra aleatoria de las localidades de la Región Norte y permite realizar inferencia más amplia sobre la respuesta de los genotipos. Debido a que los testigos fueron las únicas variedades replicadas, la interacción Genotipo:Localidad representaría la heterogeneidad de dicho genotipo dentro de cada Localidad por lo tanto no fue estimada (Piepho et al., 2012).

Las diferencias de rendimiento entre genotipos se determinaron mediante la prueba de comparaciones múltiples de Tukey, considerando un nivel de significancia de 10%.

2.3.5 Análisis interacción genotipo x ambiente

Para explorar los patrones de interacción GA se utilizó el procedimiento de regresión sobre la media (Finlay y Wilkinson, 1963)

La heterogeneidad ambiental explorada por los genotipos considerados en la red se caracterizó mediante los rendimientos medios de cada Localidad. Esta covariable denominada Índice Ambiental (IA) fue utilizada para modelar la interacción GA a partir del siguiente modelo:

\[ y_{ij} = \mu_i + \beta_i X_j + e_{ij} \]

donde: \(y_{ij}\) es el rendimiento del genotipo \(i\) en el ambiente o localidad \(j\), \(\mu_i\) es la ordenada al origen de cada genotipo, \(X_j\) el índice ambiental de la localidad \(j\), y \(\beta_i\) la pendiente o sensibilidad del genotipo \(i\) a los cambios del IA.

Según este modelo, \(\mu_i\) representa el comportamiento de los genotipos en el ambiente promedio y los coeficientes \(\beta_i\) la sensibilidad de los Genotipos a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. Entonces, si la interacción GA es significativa representa la heterogeneidad de respuestas, i.e. \(\beta\) distintos para los genotipos. El valor de \(\beta\) indica la sensibilidad el genotipo a los cambios de calidad del ambiente. Si \(\beta_i > 1\) indica que el genotipo \(i\) tiene una respuesta mayor al promedio (a mayor calidad ambiental, mayor rendimiento), en cambio si \(\beta_i < 1\), entonces el genotipo responde menos.

Para complementar este análisis, se realizó el mismo procedimiento combinando los datos de campañas anteriores. Sobre dicha base de datos se exploró la respuesta de los genotipos repetidos en las últimas tres campañas empleando la misma metodología.

Tabla 2.2: Frecuencia de ambientes en la que estuvo presente cada genotipo en las últimas tres campañas
Genotipo	Número de ambientes
ARGENSOL 20 MAX	18
RGT CABILLDO CL	18
SY 3970 CL	17
CACIQUE 312 CL	13
LG 5710	12
ADV 5500	12
PARAISO 1600 CL PLUS	11
106 CL HO	10
ACA 216 CLDM	10
ADV 5505 CL	10
CACIQUE 320 CL	10
NS 1109 CL	10
RGT CATEDRALL	10
SYN 3939 CL	10
ARGENSOL 72 CL	9
PAN 7047 CL	9
SYN 4066	8
LG 50760 CL	8
NUSOL 4170 CL PLUS	7
TOB 3045	7
SY 3825 CL	5
ACA 206 CLDM	5
ARGENSOL 74 CL	5
TOB 4260 CL	5
ADV 5407 CL	5
CACIQUE 322 CL (EXP)	5
HS PIRAYU CL	5
MG 360	5
RGT OBELLISCO CL	5
SYN 3969 CL	5
NUSOL 4100 CL	4
NUSOL 4120 CL	4
NUSOL 4510 CL AO	4
RGT VELLOX	4
SHERPA	4
EXP. CENCERRO	4
TOB 3070	4
NS 1113 CL	4
RGT KAPLLAN	3
LG 30750	3
SY 3939	3

De los 42 genotipos evaluados durante las últimas 5 campañas, solo 14 estuvieron en al menos 10 de los ambientes conformados por la interacción Campaña:Localidad. Estos genotipos fueron utilizados para el análisis. Si bien el criterio de inclusión reduce la cantidad de genotipos se incrementa la potencia para detectar patrones de interacción.

2.4 Software

Los datos fueron procesados utilizando el software estadístico R versión 4.1 (R Core Team, 2021) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).

3 Resultados

3.1 Rendimiento testigo

En la Tabla 3.1 se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.

Tabla 3.1: Rendimiento seco medio y coeficiente de variación por localidad de los genotipos utilizados como *check*
Localidad	media	CV
La Osca	4870	1
Lanteri	4578	5
Malabrigo	3457	11
Soledad	3411	11

En general la variabilidad observada en los controles repetidos fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. Tampoco se observó un gradiente de rendimientos consistente en dirección al orden de las parcelas por lo que los rendimientos no fueron ajustados. Por otro lado, el stand de plantas en las localidades evaluadas mostró baja variación, con CV en torno al 10%.

3.4 Rendimientos promedio y CV

En las Tablas 3.2, 3.4 y 3.3 se presentan los promedios y \(CV\) por Genotipo y Localidad, del rendimiemto ajustado por MG, %MG y rendimiento relativo base 100. Los colores de ambas tablas dividen el rango de valores observados en partes de igual número de observaciones (quintiles). A su vez, los genotipos se encuentran ordenados por el promedio general a través de las localidades.

3.4.1 Redimientos ajustados 42% MG

Tabla 3.2: Rendimiento seco medio (kg/ha) y coeficiente de variación por genotipo y localidad
Genotipo	Localidad					Promedio	CV
Genotipo	Calchaqui	La Osca	Lanteri	Malabrigo	Soledad	Promedio	CV
SYN 3939 CL	4474	5146	5423	4502	4224	4754	10
RGT CABILLIO	5026	4867	4459	4305	3377	4407	13
MG 360	3250	5331	4417	4460	4510	4394	15
NS 1113 CL	4769	4962	—	3507	4205	4361	13
SYN 3969 CL	4482	5518	4526	3807	3391	4345	17
NS 1109 CL	4160	4870	4578	3457	3411	4095	14
106 CL HO	3776	4322	4523	3455	4335	4082	10
SY 3970 CL	3889	5615	4580	3771	2284	4028	27
ADV 5407 CL	4202	4499	3182	4549	3219	3930	15
HS PIRAYU CL	3681	3296	4217	3487	3878	3712	9
ADV 5505 CL	3954	3796	4324	3461	2965	3700	12
RGT OBELLISCO CL	4139	4751	4452	3020	1951	3663	28
ACA 216 CLDM	3151	4656	3954	3559	2358	3536	22
RGT CATEDRALL	3337	4364	3900	3361	2068	3406	23
CACIQUE 322 CL (EXP)	3162	3904	2630	3906	2308	3182	20
CACIQUE 320 CL	3042	3705	2965	3367	2774	3171	10
ARGENSOL 20 MAX	2957	—	—	—	2245	2601	14
ARGENSOL 72 CL	3038	—	—	—	2105	2572	18
Promedio	3805	4600	4142	3748	3089	3774	16
CV	17	15	17	13	28	16	36
Min	2957	3296	2630	3020	1951	2572	9
Max	5026	5615	5423	4549	4510	4754	28
Los datos pueden descargarse del siguiente link medias_CV_reales.xlsx

La variabilidad dentro de cada localidad, la cual indica la dispersión de los rendimientos entre los genotipos, fue moderada a baja entre 13 y 28%. Del mismo modo, el nivel de variabilidad de los genotipos a través de los ambientes mostró valores bajos (~ 10%) y moderados (> 20%). Aproximadamente el 50% de los genotipos tuvo CV entre 12 y 20%.

A excepción de SYN 3939 CL que se ubico en el primer quintil en todas las localidades, el resto mostro cambios en en la posicion dentro de cada localidad. Por ejemplo, RAGT CABILLIO estuvo entre el 20% superior en dos ambientes, dentro del 40% superior en otras dos y dentro del 60% superior en una localidad.

3.4.2 Redimientos relativos

Tabla 3.3: Rendimiento corregido 42% MG expresado en base 100 y coeficiente de variación por genotipo y localidad
Genotipo	Localidad					Promedio	CV
Genotipo	Calchaqui	La Osca	Lanteri	Malabrigo	Soledad	Promedio	CV
SYN 3939 CL	118	112	131	120	137	124	7
NS 1113 CL	125	108	—	94	136	116	14
MG 360	85	116	107	119	146	115	17
RGT CABILLIO	132	106	108	115	109	114	8
SYN 3969 CL	118	120	109	102	110	112	6
106 CL HO	99	94	109	92	140	107	16
NS 1109 CL	109	106	111	92	110	106	7
ADV 5407 CL	110	98	77	121	104	102	14
SY 3970 CL	102	122	111	101	74	102	16
HS PIRAYU CL	97	72	102	93	126	98	18
ADV 5505 CL	104	83	104	92	96	96	8
RGT OBELLISCO CL	109	103	107	81	63	93	19
ACA 216 CLDM	83	101	95	95	76	90	10
RGT CATEDRALL	88	95	94	90	67	87	12
CACIQUE 320 CL	80	81	72	90	90	83	8
CACIQUE 322 CL (EXP)	83	85	63	104	75	82	16
ARGENSOL 20 MAX	78	—	—	—	73	76	3
ARGENSOL 72 CL	80	—	—	—	68	74	8
Promedio	100	100	100	100	100	99	12
CV	17	14	18	12	28	15	42
Min	78	72	63	81	63	74	3
Max	132	122	131	121	146	124	19
Los datos pueden descargarse del siguiente link medias_CV_MG42_rel.xlsx

Al considerar los rendimientos en base 100 expresados sobre el promedio de cada localidad se remueve el efecto de la variación entre localidades. Se observa un reacomodamiento pero manteniendo a los genotipos con rendimiento superior al 80% de los materiales evaluados. ### Materia grasa (%MG)

Tabla 3.4: Contenido de MG (%) y coeficiente de variación por genotipo y localidad
Genotipo	Localidad					Promedio	CV
Genotipo	Calchaqui	La Osca	Lanteri	Malabrigo	Soledad	Promedio	CV
ADV 5407 CL	60	61	59	60	60	60	1
MG 360	59	61	57	60	59	59	2
NS 1113 CL	59	60	—	59	58	59	1
SY 3970 CL	59	58	60	61	58	59	2
SYN 3939 CL	59	58	59	60	58	59	1
SYN 3969 CL	59	60	59	60	57	59	2
106 CL HO	58	59	60	58	56	58	2
RGT CABILLIO	58	59	58	60	57	58	2
RGT OBELLISCO CL	58	59	58	60	56	58	2
NS 1109 CL	57	58	58	58	54	57	3
ACA 216 CLDM	56	58	57	57	53	56	3
CACIQUE 322 CL (EXP)	56	59	57	58	52	56	4
ADV 5505 CL	55	55	56	55	53	55	2
HS PIRAYU CL	55	53	56	58	54	55	3
RGT CATEDRALL	54	55	55	54	51	54	3
ARGENSOL 72 CL	53	—	—	—	53	53	0
CACIQUE 320 CL	53	54	54	55	48	53	5
ARGENSOL 20 MAX	51	—	—	—	51	51	0
Promedio	57	58	58	58	55	57	2
CV	5	4	3	4	6	5	61
Min	51	53	54	54	48	51	0
Max	60	61	60	61	60	60	5
Los datos pueden descargarse del siguiente link medias_CV_MG42_rel.xlsx

La variación de los contenidos de MG entre ambientes y entre híbridos fue baja (CV 1-5%).

3.4.3 Gráfico

La Figura 3.5 presenta la relación entre los rendimientos medios (corregido por MG 42%) y la estabilidad (indicada por el CV) de los genotipos a través de las localidades incluidas en la red durante la campaña 2021/22.

Figura 3.5: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2021/22

Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que los genotipos con altos rendimientos promedio (SYN 3939 CL, RAGT CABILLIO, MG 360, NS 1113 CL) mostraron una variabilidad en torno al 10-15%, inferior al promedio de variación de los materiales evaluados.

Los genotipos SYN 3970 CL y RGT OBELISCO CL mostraron rendimientos cercanos al promedio pero con moderada variabilidad.

3.5 Diferencias entre genotipos

En la Tabla 3.5 se presentan los resultados del análisis de la varianza (ANOVA) del modelo mixto ajustado:

Tabla 3.5: Tabla de Análisis de la Varianza del modelo lineal mixto
	gl num	gl den	F	Valor p
(Intercept)	1	59	287.61	0.00000
Genotipo	15	59	3.66	0.00017

Se detectaron diferencias de rendimiento estadísticamente significativas considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p = 0.00017). En Tabla 3.6 se listan los valores medios ajustados, errores estándar e intervalos de confianza de los rendimientos medios de cada genotipo. La amplitud de los \(IC_{90}\) responde a que el espacio de inferencia es toda la región de donde proviene la muestra de las 4 localidades analizadas y la precisión alcanzada según el número de réplicas.

Tabla 3.6: Rendimientos intervalos de confianza 90% ajustados por el modelo-mixto
	Rend. medio	Error estándar	gl	LI IC90	LS IC90	grupo
SYN 3939 CL	4754	331	4	4049	5459	1
NS 1113 CL	4418	354	4	3664	5173	12
RGT CABILLIO	4407	331	4	3702	5112	12
MG 360	4394	331	4	3688	5099	12
SYN 3969 CL	4345	331	4	3640	5050	12
NS 1109 CL	4095	331	4	3390	4800	123
106 CL HO	4082	331	4	3377	4787	123
SY 3970 CL	4028	331	4	3323	4733	123
ADV 5407 CL	3930	331	4	3225	4635	123
HS PIRAYU CL	3712	331	4	3007	4417	123
ADV 5505 CL	3700	331	4	2995	4405	123
RGT OBELLISCO CL	3663	331	4	2957	4368	123
ACA 216 CLDM	3536	331	4	2830	4241	23
RGT CATEDRALL	3406	331	4	2701	4111	23
CACIQUE 322 CL (EXP)	3182	331	4	2477	3887	3
CACIQUE 320 CL	3171	331	4	2465	3876	3

El cuadro anterior representa el ranking de genotipos ordeandos por el rendimiento global para la zona de influencia de la Red. El rendimiento medio representa la mejor estimación global del rendimiento de cada genotipo para la región en general a partir de la información obtenida en el presente ensayo. Este valor estimado se acompaña de los límites de un intervalo de confianza (LI IC90 y LS IC90) los cuales representan la región donde se encuentra el verdadero valor del rendimiento.

Considerando la red globalmente, el ranking de materiales muestra diferencias entre SYN 3939 CL respecto de ACA 216 CLDM, RGT CATEDRALL, CACIQUE 322 CL (EXP) y CACIQUE 320 CL. En otro grupo de diferencias, NS 1113 CL, RGT CABILLIO, MG 360 y SYN 3669 CL se separan de CACIQUE 322 CL (EXP) y CACIQUE 320 CL.

3.6 Interacción GA

3.6.1 Campaña actual

Las diferencias de los rendimientos medios de cada localidad resumen la heterogeneidad de condiciones ambientales a las cuales fueron sometidos los genotipos evaluados. Utilizando esta información se construye un índice ambiental (IA) que se utiliza para modelar la interacción genotipo x ambiente a partir de rendimientos de cada genotipo y ambiente. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo.

Tabla 3.7: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente	gl	SC	CM	F	Valor p
Localidad	4	20898019.36	5224504.84	23.18	<0.0001
Genotipo	17	19743559.94	1161385.88	5.15	<0.0001
Genotipo:IA	17	7702281.16	453075.36	2.01	0.0322
Residuals	44	9917869.34	225406.12

Según este análisis, se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.03). Esto implica que la relación entre el IA y los rendimientos no fue homogénea manifestando diferencias de sensibilidad.

En la Figura 3.6 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1).

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda. Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.6: Respuesta diferencial de cada Genotipo a los cambios del IA

Las pendientes (\(\beta\)) de las rectas (línea sólida de color) representan la sensibilidad de cada genotipo a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. La sensibilidad promedio (línea punteada) representa la respuesta general de todos los genotipos. Para un genotipo cualquiera, si el valor de la pendiente es \(\beta_i > 1\), el genotipo en cuestión tiene mayor sensibilidad a los cambios de calidad del ambiente (a mayor calidad ambiental, mayor rendimiento, y vice versa). En cambio si \(\beta_i < 1\), entonces el genotipo es menos sensible y tendría mejores respuestas en ambientes malos y respuestas inferiores al promedio en ambientes buenos. Las diferencias entre las pendientes de los distintos genotipos representa la interacción GA.

A modo descriptivo los valores estimados de los \(\beta\) para algunos genotipos, como por ejemplo ARGENSOL 72 CL, SYN 3969 CL, ACA 216 CLDM, RGT CATEDRALL, RGT OBELLISCO CL, y SY 3970 CL mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, HS PIRAYU CL, 106 CL HO, MG 360, CACIQUE 320 CL, ADV 5407 CL, NS 1113 CL, y ADV 5505 CL fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). No obstante, sólo en los materiales HS PIRAYU CL, 109 CL HO, RGT OBELLISCO CL y SY 3970 CL dichas pendientes fueron estadísticamente distintas de la recta 1:1.

El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.

Figura 3.7: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades

Se observa que entre los materiales con mayor rendimiento promedio, los valores de sensibilidad fluctuaron entre 0.5 y 1.5.

3.6.2 Últimas tres campañas

Al considerar los ambientes evaluados en las últimas tres campañas (combinacion localidad x campaña), sólo 14 genotipos estuvieron presentes en los 18 ambientes explorados en las últimas tres campañas. En la Tabla 3.8 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.

Tabla 3.8: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente	gl	SC	CM	F	Valor p
Localidad	12	74192073.15	6182672.76	39.51	<0.0001
Genotipo	13	21853610.91	1681046.99	10.74	<0.0001
Genotipo:IA	14	69948484.99	4996320.36	31.93	<0.0001
Residuals	131	20497248.89	156467.55

Según este análisis se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.0084). Esto implica que al menos uno de los genitipos mostró una norma de reacción con pendiente distinta de 1, es decir, sensibilidad diferente al promedio. La Table 3.9 muestra los valores de pendiente estimados.

Tabla 3.9: Penidentes estimadas últimas tres campañas
Genotipo	Beta	Error estándar	gl	LI IC95	LS IC95
SYN 3939 CL	1.12	0.13	143	0.85	1.38
RGT CABILLDO CL	1.11	0.09	143	0.92	1.29
SY 3970 CL	1.08	0.10	143	0.89	1.27
ADV 5500	1.03	0.18	143	0.68	1.38
NS 1109 CL	1.01	0.13	143	0.75	1.28
CACIQUE 312 CL	0.99	0.14	143	0.72	1.26
ACA 216 CLDM	0.98	0.13	143	0.72	1.25
RGT CATEDRALL	0.95	0.13	143	0.69	1.22
106 CL HO	0.91	0.13	143	0.65	1.18
PARAISO 1600 CL PLUS	0.89	0.16	143	0.58	1.19
ADV 5505 CL	0.88	0.13	143	0.61	1.14
LG 5710	0.84	0.15	143	0.54	1.14
ARGENSOL 20 MAX	0.72	0.12	143	0.48	0.95
CACIQUE 320 CL	0.68	0.13	143	0.42	0.95

Según la tabla anterior se observa que solamente el material ARGENSOL 20 MAX y CACIQUE 320 CL tiene un valor de sensibilidad significativamente distinto (inferior) a la unidad, lo que implicaría una menor sensibilidad a los cambios del ambiente.

En la Figura 3.8 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1). Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.8: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas tres campañas

Según el gráfico anterior se observa la menor pendiente de ARGENSOL 20 MAX y CACIQUE 320 CL. También un mayor rendimiento medio de SYN 3939 CL siguiendo el patrón de sensibilidad del promedio. Algo similar pero con rendimientos por debajo del promedio general RGT CATEDRALL.

4 Consideraciones finales

En general se observó una moderada a baja variabilidad de los rendimientos de cada variedad a través de las distintas localidades evaluadas y baja heterogeneidad de respuesta dentro de cada localidad. A nivel global las diferencias se mayormente entre GINKO y KLEIN LIEBRE con rendimientos de ~ 100 kg superiores a KLEIN SELENIO CL y JACARANDA.

En el estudio de la interacción GA mediante el método de regresión no detectó diferencias significativas respecto al patrón de respuesta promedio cuando se consideró la campaña actual. No obstante, algunos genotipos mostraron patrones de reacción con marcada sensibilidad o estabilidad una tendencia mayor rensibilidad a variaciones del índice ambiental.

En el análisis combinado los datos de las últimas tres campañas se observó algunas diferencias significativas en los patrones siendo ACA 602 menos sensible que el promedio y GINGKO el de mayor rendimiento a través de los ambientes.

5 Agradecimientos

A las empresas semilleras: A.C.A., Advanta, Argenetics, Corteva, El Cencerro, Hersem, Nidera, R.A.G.T., y Syngenta, por haber confiado un año más en nuestra zona y en la utilidad de los Ensayos Comparativos de Rendimiento.
A las Empresas CREA de la Región Norte de Santa Fe que año tras año realizan el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal tiempo y recursos para tal fin.

6 Bibliografía

Finlay, K. W., and Wilkinson, G.N. (1963). The analysis of adaptation in a plant-breeding programme. Aust. J. Agric. Res. 14, 742–754.

Kempton, R.A. (Ed) (1997). Statistical methods for plant variety evaluation. Plant breeding series. Chapman & Hall, London. pp. 191.

Lenth, R. (2019). emmeans: Estimated Marginal Means, aka Least-Squares Means. R package version 1.3.3. https://CRAN.R-project.org/package=emmeans

Malosetti, Marcos, Jean-Marcel Ribaut, and Fred A. van Eeuwijk. 2013. “The Statistical Analysis of Multi-Environment Data: Modeling Genotype-by-Environment Interaction and Its Genetic Basis.” Frontiers in Physiology 4 (March). doi:10.3389/fphys.2013.00044.

Piepho, H.P., C. Richter, J. Spilke, K. Hartung, A. Kunick, and H. Thöle. 2011. Statistical aspects of on-farm experimentation. Crop and Pasture Science 62(9): 721.

Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-137, URL: https://CRAN.R-project.org/package=nlme.

R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Sievert, C. (2020) Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida.

Wickham, H. (2017). tidyverse: Easily Install and Load the ‘Tidyverse’. R package version 1.2.1. https://CRAN.R-project.org/package=tidyverse

Yan, W.; Kang, M. S. (2002). GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. 1st edition. CRC Press. pp. 288.

Informe de Resultados Red Multiambiental de Evaluación de híbridos de Girasol